学习对键旋转不变且具有分子手性 3D 表征的方法
机器学习
2021-10-12 v1
摘要
分子手性是一种立体化学形式，最常描述四面体碳中心周围成键邻域的相对空间排布，它在不改变分子 2D 图连接性的情况下影响分子可获得的 3D 构象集合。手性可强烈改变（生物）化学相互作用，尤其是蛋白质-药物结合。大多数为分子性质预测设计的 2D 图神经网络（GNN）至多使用原子标签来朴素处理手性，而 E(3)-不变 3D GNN 则完全对手性不变。为使分子在已定义立体化学下实现表征学习，我们设计了一个 SE(3)-不变模型，处理 3D 分子构象的扭转角。我们通过将一种对分子内键旋转的新型不变性整合进架构，显式建模构象柔性，从而减轻对多构象数据增强的需求。我们在四个基准上测试模型：在习得潜空间中区分不同立体异构体构象的对比学习、将手性中心分类为 R/S、预测对映体如何旋转圆偏振光、以及在对映体敏感蛋白口袋中按对接分数对对映体排序。我们将我们的模型 Chiral InterRoto-Invariant Neural Network（ChIRo）与 2D 和 3D GNN 比较，以证明我们的模型在从分子结构学习手性敏感函数时达到最先进性能。
引用
@article{arxiv.2110.04383,
title = {Learning 3D Representations of Molecular Chirality with Invariance to Bond Rotations},
author = {Keir Adams and Lagnajit Pattanaik and Connor W. Coley},
journal= {arXiv preprint arXiv:2110.04383},
year = {2021}
}